論文の概要: ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models

• arxiv url: http://arxiv.org/abs/2510.20084v1
• Date: Thu, 23 Oct 2025 00:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.019645
• Title: ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models
• Title（参考訳）: ShapeX: 時系列分類モデルのためのシェープレット駆動ポストホック記述
• Authors: Bosong Huang, Ming Jin, Yuxuan Liang, Johan Barthelemy, Debo Cheng, Qingsong Wen, Chenghao Liu, Shirui Pan,
• Abstract要約: 時系列を意味のあるシェープレット駆動セグメントに分割する革新的なフレームワークであるShapeXを紹介する。 ShapeXの中核にはShapelet Describe-and-Detectフレームワークがあり、分類に不可欠なさまざまなシェイプレットを効果的に学習する。
• 参考スコア（独自算出の注目度）: 111.27770361128056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explaining time series classification models is crucial, particularly in high-stakes applications such as healthcare and finance, where transparency and trust play a critical role. Although numerous time series classification methods have identified key subsequences, known as shapelets, as core features for achieving state-of-the-art performance and validating their pivotal role in classification outcomes, existing post-hoc time series explanation (PHTSE) methods primarily focus on timestep-level feature attribution. These explanation methods overlook the fundamental prior that classification outcomes are predominantly driven by key shapelets. To bridge this gap, we present ShapeX, an innovative framework that segments time series into meaningful shapelet-driven segments and employs Shapley values to assess their saliency. At the core of ShapeX lies the Shapelet Describe-and-Detect (SDD) framework, which effectively learns a diverse set of shapelets essential for classification. We further demonstrate that ShapeX produces explanations which reveal causal relationships instead of just correlations, owing to the atomicity properties of shapelets. Experimental results on both synthetic and real-world datasets demonstrate that ShapeX outperforms existing methods in identifying the most relevant subsequences, enhancing both the precision and causal fidelity of time series explanations.
• Abstract（参考訳）: 時系列分類モデルの説明は特に、透明性と信頼が重要な役割を果たす医療や金融といった高度なアプリケーションにおいて重要である。 多くの時系列分類法は、最先端の性能を達成し、分類結果においてそれらの重要な役割を検証するためのコアとして、シェープレットとして知られる重要なサブシーケンスを特定してきたが、既存の時系列説明法(PHTSE)は、主にタイムステップレベルの特徴属性に焦点を当てている。 これらの説明法は、分類結果が主にキーシェイプレットによって駆動されるという根本的な前兆を見落としている。 このギャップを埋めるために、私たちはShapeXという、時系列を意味のあるシェープレット駆動のセグメントに分割し、Shapley値を使って彼らの唾液度を評価する革新的なフレームワークを紹介します。 ShapeXの中核にはShapelet Describe-and-Detect(SDD)フレームワークがあり、分類に不可欠なさまざまなシェイプレットを効果的に学習する。 さらに、ShapeXは、形状レットの原子性特性のため、単に相関ではなく因果関係を明らかにする説明を生成することを実証する。 合成と実世界の両方のデータセットの実験結果から、ShapeXは、時系列説明の精度と因果的忠実性の両方を向上し、最も関連性の高いサブシーケンスを識別する既存の手法よりも優れていることが示された。

関連論文リスト

• Learning Soft Sparse Shapes for Efficient Time-Series Classification [25.128114360717454]
  本稿では,効率的な時系列分類のためのソフトスパース形状(SoftShape)モデルを提案する。 本手法は,ソフトな形状スペーシフィケーションとソフトな形状学習ブロックを導入している。 後者は、形状内および形状間時間パターン学習を容易にし、疎化軟形状を入力としてモデル効率を向上させる。
  論文  参考訳（メタデータ） (2025-05-11T08:14:37Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
  識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。 さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。 30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-21T07:31:22Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification [5.866975269666861]
  時系列分類のためのモデルに依存しないインスタンスベースのポストホック説明可能性法を提案する。 提案したアルゴリズム、すなわちTime-CFはシェープレットとTimeGANを利用して任意の時系列分類器に反実的な説明を提供する。
  論文  参考訳（メタデータ） (2024-02-02T11:57:53Z)
• Exploring Multi-Timestep Multi-Stage Diffusion Features for Hyperspectral Image Classification [16.724299091453844]
  拡散に基づくHSI分類法は,手動で選択した単一段階の特徴のみを利用する。 MTMSDと呼ばれる,HSI分類のための多段階多段階拡散機能を初めて検討した,拡散に基づく新しい特徴学習フレームワークを提案する。 提案手法は,HSI分類の最先端手法,特にヒューストン2018データセットより優れている。
  論文  参考訳（メタデータ） (2023-06-15T08:56:58Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Complexity Measures and Features for Times Series classification [0.0]
  本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。 提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
  論文  参考訳（メタデータ） (2020-02-27T11:08:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。